Training Data
Training Data 的条目时间线。
时间线
- 机器人数据工厂：Mecka 的 Josh Gao 谈如何 (2026-10-20 · Training Data)
Mecka AI 用定制棒球帽和触觉手套采集力反馈数据，行业训练配方收敛到百万小时第一人称数据加数万小时机器人数据。 - Ineffable Intelligence 的超级学习 (2026-10-13 · Training Data)
David Silver 和 Lasse Espeholt 离开 DeepMind 创立 Ineffable Intelligence，目标是造一个从零开始通过直接经验发现科学和数学的 agent，而非依赖预训练。 - Google AI 基础设施负责人谈前沿 AI 的物理与 (2026-10-06 · Training Data)
十万加速器规模下每小时多次故障，FLOPS 是虚荣指标，有效吞吐才是关键。TPU 首次拆分为 8i 和 8t，电力是最终约束。 - Box CEO：企业 AI 的价值在桥梁 (2026-09-15 · Training Data)
Levie 认为模型无关的路由层比单一模型绑定更持久，并预测五年内 90% 的企业 token 将用于无人发起的工作。 - 让城市更棒：Peregrine 的逆向公共安全模式 (2026-09-01 · Training Data)
不装传感器、不收集新数据，只连接城市已有的信息。两位创始人讲述如何被拒二十多次后进入公共安全领域，以及冷案 agent、300GB 证据定位等 AI 实际用例。 - Parag Agrawal 在 Parallel (2026-08-27 · Training Data)
Parag Agrawal 在 Parallel 的赌注是，agents 正在成为一种新的 web 客户，而它们使用 web search 的频率会是人类的 “a thousand x”。 Agrawal 曾任 Twitter CEO， - Parallel CEO Parag Agrawal (2026-08-25 · Training Data)
前 Twitter CEO 认为 agent 查询量将是人类的千倍，放弃点击数据改用 agent 反馈训练，新 Turbo 产品延迟降至 200 毫秒。 - Rich Sutton 的观点是，当今 AI 领域 (2026-08-20 · Training Data)
Rich Sutton 的观点是，当今 AI 领域把 “continual learning” 当成一个小众方向，但它本来就应该是 learning 的默认定义。 - Rich Sutton：AI 模型为何停止学习 (2026-08-18 · Training Data)
强化学习先驱 Rich Sutton 称合成数据是“一个大错误”，并提出了“大世界假说”。 - Chai Discovery 的赌注 (2026-08-06 · Training Data)
Chai Discovery 的赌注是，drug design 首先不是神秘的 biology 问题，而是一个 scaling problem；过去推动 LLM 进步的 bitter lesson， - Chai Discovery 的苦涩教训 (2026-08-04 · Training Data)
Chai-2 把从头设计抗体的命中率从不到 0.1% 提升到 16%，目标是让药物发现周期从九个月缩到九天。 - Core Automation 的赌注不是简单做更大 (2026-08-04 · Training Data)
Core Automation 的赌注不是简单做更大的 transformer，而是做能从真实世界经验中学习的模型，以及能把 research、kernel、hardware、deployment 闭环自动化得更彻底的实验室。 - 构建自动化 AGI 实验室 (2026-07-29 · Training Data)
两位前 OpenAI 和 Google DeepMind 核心成员认为 Transformer 已到极限，瓶颈是架构而非规模，从自动化内核生成切入。 - Factory CEO Matan Grinberg (2026-07-23 · Training Data)
Factory CEO Matan Grinberg 认为，企业软件开发正在从由人触发的 copilot，走向自主运行的“dark factory”，也就是大部分软件工作在后台异步完成。 - Factory CEO：软件自己构建自己的“黑暗工厂”即 (2026-07-21 · Training Data)
Factory 联合创始人 Matan Grinberg 谈自主编码 agent 的早期教训、模型无关 harness 的优势，以及开源模型将主导 token 消耗量的预测。 - Anthropic 的 platform 逻辑正 (2026-07-16 · Training Data)
Anthropic 的 platform 逻辑正在从 raw model access，走向一个分层的 agent stack：knowledge、execution，然后是 coordination。 - Zipline 给 AI builders (2026-07-09 · Training Data)
Zipline 给 AI builders 的真正启发是，autonomy 不是 demo 问题，而是 infrastructure、safety、testing、regulation 和 unit economics 的综合问题。 - Zipline 自主系统：1.4 亿英里零事故 (2026-07-07 · Training Data)
无人机只占 15% 的解决方案，配送成本从 300 美元降至 12 美元，正朝每天 100 万次配送冲刺。 - 软硬件协同设计才是 AI 的 100x (2026-06-30 · Training Data)
SemiAnalysis 创始人 Dylan Patel 认为，把模型、内核和芯片一起优化才能实现真正的性能飞跃。推理成本每年下降约 60 倍，推理市场将超过石油。 - 记忆与持续学习：Engram 的 Dan (2026-06-24 · Training Data)
把团队知识直接训练进模型权重，而非塞进上下文窗口，消耗的 token 最多减少 100 倍。 - Simile 创始人：模拟人类需要不同的模型 (2026-06-16 · Training Data)
Simile 模拟 1000 个美国人，预测行为准确率达人类自我复现的 85%。CVS 已用于概念测试。 - Google DeepMind 的 Logan (2026-06-11 · Training Data)
Agent 马具的创业窗口只剩 12 个月，模型会自己吸收脚手架。Google 的 Antigravity 已成搜索、Gemini、Cloud 的连接层。 - Jensen Huang：计算正经历 60 年来最大转变 (2026-06-10 · Training Data)
从检索到生成，AI 工厂是新时代的发电机。你不会被 AI 抢走工作，但会被会用 AI 的人抢走。 - 知道客户想要什么：Listen Labs 的 (2026-06-02 · Training Data)
AI 访谈员比真人更能让客户敞开心扉，3000 万人样本池，服务微软、Google、Anthropic 等数百家公司。 - Cursor 如何在 Fireworks 上训练 (2026-05-26 · Training Data)
模型权重容量有限，把所有参数用来做一件事——写代码——就能既更好又更快。 - 为 AI 时代重建 IT 服务管理 (2026-05-19 · Training Data)
Serval 创始人 Jake Stauch 认为产品应像传统企业软件但拥有无限智能，架构拆分为管理 agent 和客服 agent。 - Suno CEO：每个人现在都能做音乐 (2026-05-14 · Training Data)
创始人 Mikey Shulman 称 Suno 90% 日活用户是在创作而非收听，创作本身就是娱乐。 - ElevenLabs CEO：语音将成为一切界面 (2026-05-09 · Training Data)
400 人团队、4 亿美元年收入，从第一天就赚钱，而不是无限期融资。 - Anthropic 的 Boris Cherny (2026-05-05 · Training Data)
Claude Code 创建者称自己 2026 年没写过一行代码，每天从手机提交几十个 PR。 - Waymo 的 Dmitri Dolgov (2026-05-05 · Training Data)
过去七个月内完成了 1000 万次自动驾驶行程，安全性已达人类驾驶员的 13 倍。 - OpenAI 的 Greg Brockman (2026-05-02 · Training Data)
距 AGI 已完成 80%；AI 写代码比例从 20% 升至 80%；未来可能管理 10 万个 agent - Demis Hassabis：AGI 有望在 2030 (2026-05-01 · Training Data)
DeepMind CEO 称药物发现周期可能从十年缩短到几天，未来一两年对人类至关重要。